如何处理来自惯性测量数据的行为模式的监督机器学习中的混合行为细分

科学领域:

• 行为生态学 行为生态学
• 机器学习应用 机器学习应用
• 生物日志数据分析数据分析

背景情况:

• 监督机器学习是从生物记录器惯性数据中识别动物行为模式的标准.
• 模型的准确性取决于设计选择,包括在训练期间处理混合行为段.
• 当前的实践往往将混合细分 (<1行为细分) 排除在训练数据之外.

研究的目的:

• 测试这样的假设:在机器学习模型训练中包括混合细分会提高行为分类准确度.
• 评估混合细分包含对不同物种和数据特征的模型性能的影响.

主要方法:

• 数据模拟是在四种物种的加速度计数据上进行的:达马拉兰鼠,猫,橄和北极熊.
• 这项研究比较了训练有混合行为细分和没有混合行为细分的模型的分类准确性.
• 分析评估了对细分长度,样本大小和混合程度的稳定性.

主要成果:

• 在培训中包括混合段,提高了分类准确性,当混合段占测试数据的10%以上时.
• 结果在各个物种之间一致,并且对细分长度,样本大小和混合程度的变化具有稳定性.
• 在某些情况下 (例如,),用混合细分训练的模型显示纯行为细分的精度降低.

结论:

• 在培训中包括混合细分,当预计超过10%的数据包含混合行为以改进分类时.
• 排除混合部分通常是不必要的,但如果混合行为很少发生,那么它是无害的.
• 避免在训练数据中过度代表混合细分,特别是在将模型从俘环境转移到野生环境时.